我们每天都在谈论 AI，惊叹于它的计算能力和学习速度。但你是否想过，在那些复杂的代码和算法之下，AI 的“思考”方式究竟源自哪里？它看似客观中立的逻辑，背后其实隐藏着几百年来哲学家们争论不休的秘密。
事实是，AI 的认知机制，本质上是人类形而上学思想的模仿和映射。今天，让我们跳出纯粹的技术视角，从数学哲学的角度，揭示 AI 训练背后那些令人惊讶的真相。
1. 数学不是绝对“真理”，而是一种“视角”
我们通常认为数学是客观、唯一的真理，但事实远比这复杂。对于“数学对象是否存在”这个根本问题，不同的哲学流派给出了截然不同的答案：
- 柏拉图主义 (Platonism): 认为数学实体（如数字、几何形状）是客观存在的，存在于一个完美的“理念世界”中，我们只是在“发现”它们。
- 结构主义 (Structuralism): 认为数学研究的不是对象本身，而是对象之间的“结构”关系。对象不重要，结构才是核心。
- 形式主义 (Formalism): 认为数学不过是一场遵循特定规则的“符号游戏”，它没有真正的实体性，只关心逻辑形式的有效性。
- 直觉主义 (Intuitionism): 认为数学是人类心灵的构造物，来自于我们的直觉和构建过程。
这些视角没有绝对的对错，它们就像不同的地图，从不同角度描绘着同一片知识的疆域。而你选择哪张地图，决定了你将如何理解世界。
2. AI 的“智能”是对人类形而上学的模仿
为什么理解数学哲学很重要？因为 AI 的底层逻辑，正是建立在这些哲学思想之上。AI 并非凭空创造智能，它的所有运算都必须基于一个预设的逻辑起点，一个特定的“视角”。
AI 的认识机制，或者说算法机制的底层逻辑，就是人类的形而上学的模仿，还有就是映射。
这意味着，无论 AI 的算力多强，应用多广，它都必须从一个特定的哲学视角出发，才能进行运算和整合。它无法超越人类为它设定的思想框架。这也就解释了为什么我们不用担心 AI 会在金融市场中呈现出比人更高的“收割效率”——因为它只是在某个既定框架内把计算做到了极致。
3. AI 提升的是“效率”，而非“视野”
这是一个极具洞察力的观点。我们常常高估或误解 AI 的能力，认为它能带来全新的认知范式。但视频的观点一针见血：
“AI 提升的是某个视野之下的计算效率。”
即使是复杂的多模态模型，最终也需要借助统计学，按照概率形式对不同模态的输出结果进行分布和排列。而一旦用到统计学，又会面临新的哲学选择：你是相信“频率学派”（基于长期重复实验的频率）还是“贝叶斯学派”（将先验信念与新证据结合）？
不同的统计方法会导出大相径庭的结果。最终，我们还是要面临“选择”这个永恒的话题。AI 只是一个极其高效的执行者，但它无法代替我们做出根本性的价值判断和视角选择。
4. 训练 AI，本质上是选择一种哲学路径
当我们讨论如何训练 AI 时，我们实际上在讨论用哪种方法论来看待训练。这已经从“认识方法”上升到了“认识‘认识’本身”。
以深度学习中常见的“经验主义路径”为例，其核心可以概括为：
深度学习的经验主义路径，其实就是来自于培根的经验归纳和贝叶斯的方法更新。
这个过程就像人类从经验中学习：
- 归纳与迭代： 通过不断“喂”给 AI 大量数据（例如，数百万张猫的图片），让它通过归纳法学习“猫”的特征。这个过程是不断迭代和递归的，通过一次次逼近目标来优化自身。
- 纠错与更新： AI 会计算自己的预测（输出）与真实标签之间的“损失值”（偏差）。这一步通过微积分中的“链式法则”，将复杂问题降维，分解为多个简单函数的导数乘积，只关注偏差的变化趋势。
- 信念的修正： 这个不断犯错、再纠正的过程，正是一种贝叶斯式的“信念更新”。AI 在打脸中不断成长，重塑自己的“偏见”，直到它的预测模型逐渐稳定，收敛到与真实数据足够贴合的状态。
所以，训练 AI 的每一步，从数据清洗、打标签，到选择算法和调整参数，都蕴含着一种哲学上的取舍和倾向。
我们正处在一个由算法塑造的时代。理解 AI 背后的哲学根基，不仅仅是技术人员的功课，更是我们每个人重新审视自身思维方式的契机。
当我们越来越依赖 AI 为我们提供答案时，我们是否也无形中接受了它背后固有的哲学假设？我们是在用技术拓展视野，还是在用最高效的方式，为自己建造了一个看不见的思想牢笼？
关注作者，看更多有趣有料的信息。
Share this content:
发表评论